Jack Dorsey 旗下的支付公司 Block 訓練出一款全新語音模型 Dessa，完全以人類語音訓練——不使用任何文字資料，也不使用任何預訓練模型，該公司在官方公告中表示。Block 指出，完成後的模型可在 MacBook Pro M4 Max 或更高規格的裝置上本機運行，而這個小型研究實驗室僅用單一機架的 Nvidia 伺服器完成訓練。本機運行意味著對話在裝置本身上處理，而非透過雲端服務串流。

Block 稱 Dessa 是其所知首個僅以人類語音訓練、卻能進行逼真即時對話的 AI。開發該模型的小型研究實驗室直接向 Dorsey 匯報。

全雙工模型在無人引導的示範中與 OpenAI 的 GPT-Live-1 對話

大多數語音助理會將使用者說的話轉成文字、把文字送進語言模型處理，再將結果轉回語音。Block 認為，這種流程會丟棄情緒、諷刺、笑聲，以及其所稱「哽咽的悲傷語氣」。

Dessa 則直接將語音轉為語音，中間沒有文字階段。就像兩個人交談一樣，它同時說話與聆聽——音訊同時雙向流動，而非「轉錄—處理—說話」流程所允許的嚴格輪流模式。Block 表示，模型知道何時插話、何時以「對！」或「收到！」附和，且運行速度快於即時。

根據 Block 的說法，在公布的錄音中沒有人引導模型——Dessa 自行決定說什麼、何時說以及如何說。在片段中，它會在句子中途發笑、對意外事物倒吸一口氣，被要求大聲一點時也會提高音量。在其中一段錄音裡，Dessa 與 OpenAI 的 GPT-Live-1 進行了對話。Block 說明，GPT-Live-1 的開發者並未審核或認可 Dessa。

專案負責人 Ragavan Thurairatnam 在 X 上宣布該模型時寫道：

"We made the first AI model you can have a realistic conversation with that was trained entirely on speech! Dessa is a full-duplex speech-to-speech model that you can run on consumer GPUs. This is a GPT3 moment for speech." pic.twitter.com/XVD8sSyJn8

— Ragavanairatnam (@RagavanThurair) October 23, 2026

單一 GB200 NVL72 機架，以及「少了數百倍的詞彙」

Dessa 在單一 Nvidia GB200 NVL72 上訓練，這是一套機架級系統，將 72 顆 Nvidia Blackwell GPU 串聯為一台機器運作。實驗室表示，模型從比文字型 LLM 所需「少了數百倍的詞彙」中學會語言。Block 解釋，語音讓這項工作更為困難：一個口說單詞的位元組量是同一個印刷單詞的數千倍。

該實驗室由多倫多深度學習新創公司 Dessa 的前成員創立，團隊開發生成式語音模型已超過八年。Thurairatnam 領導此專案，並在 X 上稱這次發布是「語音的 GPT3 時刻」——此語呼應 GPT-3，OpenAI 於 2020 年推出的文字模型，它讓機器生成的寫作從研究示範變成廣泛使用的工具，而他以這個說法將語音定位於類似的轉折點。

Dessa 尚未公開發布。Block 正開放候補名單，並向少數 AI 安全研究人員提供早期存取權限，以發掘團隊尚未預見的風險。公告並未提供更廣泛開放的時間表。

Block 開發此模型的動機有三：其二是好奇心以及促進人類與 AI 之間更好的理解。第三個原因是安全：Block 提到一個情境——一個人正處於極大痛苦之中，但語音 AI 未察覺並繼續說話——這正是文字優先的流程在模型聽到之前就可能剝除的情緒訊號。

這項公告正值 Block 的變動時期。如Cryptopolitan 報導，這家公司（NYSE: XYZ，前身為 Square）於二月裁員 40%。七月，Block 推出Buzz，一款人類與 AI 代理可以共用頻道的職場聊天應用程式。